- 通过在统计流形上沿广义测地线进行采样的密度比估计
基于增量混合模型的密度比率估计方法通过在勒贝格流形上进行几何解释和蒙特卡洛采样,显著改善了稳定性和准确度。
- 仅接收样本一次:快速、自纠正的随机变分推断
YOASOVI 是一种用于大规模贝叶斯层次模型的快速自校正随机优化变分推断 (Variational Inference) 的算法,通过使用每次迭代中用于随机变分推断的目标函数的可用信息,将常规 Monte Carlo 采样替换为接受采样, - 后验预测评估中的困难理解与缓解
使用重要性抽样方法通过在测试时间上优化信噪比的变分代理提供了更准确的预测后验密度估计。
- 任意非线性贝叶斯神经网络的小样本变分推断
本研究通过仅使用 3 个确定性样本来传播统计矩,实现了对任意非线性网络层的统计矩传播,从而使得少样本变分推断成为可能,并将此方法应用于一种新的非线性激活函数,用于向 Bayesian 神经网络的输出节点注入物理先验信息。
- 利用懒惰层提升微调扩散模型的可追踪性
发现基础生成模型应该可追溯,以保护其所有者并促进安全监管,本文提出了一种新的任意入任意出策略(AIAO)来使水印抵抗基于微调的删除,并使用蒙特卡洛采样来实现稳定的验证结果。通过在各种神经网络深度上使用 AIAO 样本的触发响应对构建带水印的 - 利用分层抽样提升 LIME 图像解释
我们研究了一种分层抽样方法,用于减少 LIME Image 中典型 Monte Carlo 抽样生成的人工现象。通过在解释图像周围的合成邻域中对依赖变量进行欠采样,从而导致采样数据无法用线性回归器拟合,因此无法得到充分的解释。我们还强调了与 - CVPRCGI-DM:基于对比梯度反转的扩散模型的数字版权认证
使用对比梯度翻转方法进行扩散模型的数字版权认证,通过对预训练和微调模型之间的潜在变量进行 KL 散度计算,实现了对潜在版权侵权的强大指示,并在 WikiArt 和 Dreambooth 数据集上展示了高准确性。
- 高斯过程预测与蒙特卡洛采样的融合
本文介绍了应用于科学和工程领域的模型,利用贝叶斯范式和高斯过程生成概率密度函数(pdfs),通过蒙特卡洛抽样来集成这些 pdfs,并通过线性和对数线性汇集方法介绍了对预测 pdfs 的输入相关权重的确定方法,使用合成数据集验证了这些方法的性 - POMDP 中的策略指导的逻辑规范学习:归纳逻辑编程方法
从 POMDP 执行的痕迹中学习得到高质量的启发式方法,通过转换为逻辑语义并利用数据和时间高效的归纳逻辑编程生成可解释的基于信念的策略规范,以在线方式引导 POMDP 求解器的行动选择过程。使用 Answer Set Programming - 目标分数匹配
该论文介绍了利用目标分数的知识来改进 Denosing Score Matching 算法,在低噪声水平下取得更好的评估分数的效果。
- 加速平滑:随机平滑的可扩展方法
通过训练替代 Monte Carlo 抽样的替代神经网络,提供随机平滑分类器的近乎精确的近似,加速鲁棒半径认证过程,克服了传统随机平滑方法中的计算瓶颈。
- AdamMCMC:结合 Metropolis 调整 Langevin 和基于动量的优化
本文介绍了一种通过从温度后验分布的蒙特卡洛抽样来量化认识不确定性的新算法,该算法通过结合良好建立的 Metropolis Adjusted Langevin 算法(MALA)和基于 Adam 的动量优化,并利用一个椭圆提案分布,高效地从后验 - 神经网络的突触抽样
概率人工神经网络通过将权重视为伯努利硬币翻转,直接对神经网络进行采样,并在几乎保持完全确定性性能的同时描述了正确和不正确的神经网络输出的不确定性。
- 插入并使用后验抽样在不匹配测量和先验模型下
插入和播放未调整的 Langevin 算法(PnP-ULA)是一种有前景的方法,通过使用图像去噪器来结合物理测量模型和深度学习的先验,在贝叶斯逆问题的求解中用于蒙特卡罗采样和最小均方误差估计。在本文中,我们提出了一个后验 - L2 伪度量, - GARCH 家族模型的变分推理
通过大规模实验,我们展示了变分推断是 GARCH-like 模型中贝叶斯学习的一种可靠且具有竞争力的方法,证明了它是一种吸引人的、相当精确且可行的替代蒙特卡洛采样的方法。
- 一个高效的聚类多任务压缩感知算法
本文提出了一种新的算法,通过避免显式计算协方差矩阵结合蒙特卡洛抽样和迭代线性求解器,从而大大加速模型推断。与现有基准相比,实验表明我们的算法在速度上可快数千倍,内存利用率提升一个数量级。
- 非校准多视角三维人体姿态估计的概率三角测量
本文提出了一种使用概率三角测量模块的方法,将已标定的 3D 人体姿势估计方法推广到非标定场景,通过从 2D 特征迭代更新概率分布的方式实现相机姿势的后验概率,并将梯度直接反向传播到 2D 热图,从而实现端到端的训练。实验证明,本方法在估计精 - 通过阻尼 Sinkhorn 迭代计算趋向双熵 Wasserstein 重心的保证
本文研究了具有内部和外部规则化强度的双重规则化 Wasserstein 质心的计算,提出了一种通过阻尼 Sinkhorn 迭代构建的算法,并且无论规则化参数的选择如何都可以保证收敛。使用近似蒙特卡洛抽样实现的我们算法的非精确变体,在自由支持 - 概率展开优化:面向潜在高斯模型的可扩展、无需反演的最大似然估计
本文提出了一种用概率展开和迭代线性求解器相结合的方法,以绕过矩阵求逆的问题来学习潜在高斯模型,在实验中发现,这种方法可以比传统梯度期望极大化算法快一个数量级地学习潜在高斯模型。
- 用于高效分组等变卷积神经网络的蒙特卡罗增强分解滤波器的自适应聚合
本文提出一种基于卷积神经网络(CNN)的算法 ——G-CNN,结合 Monte Carlo 采样策略和切变等变 CNN,实现对自然图像的高效分类和处理,并能以高数据效率超越传统 CNN 方法。